Overfeat方法使用滑动窗口进行目标检测，也就是使用滑动窗口和神经网络来检测目标。滑动窗口使用固定宽度和高度的矩形区域，在图像上“滑动”，并将扫描结果送入到神经网络中进行分类和回归。例如要检测汽车，就使用下图中红色滑动窗口进行扫描，将所有的扫描结果送入网络中进行分类和回归，得到最终的汽车的检测结果。这种方法类似一种暴力穷举的方式，会消耗大量的计算力，并且由于窗口大小问题可能会造成效果不准确。2

LangGraph是 LangChain 推出的一个用于构建可控、多步骤、可循环的 AI Agent 框架。LangGraph = 用“状态机 + 图结构”来控制大模型执行流程。

LangChain 是一个构建大模型应用的框架。多轮对话知识库问答（RAG）Agent 自动调用工具多模型编排Prompt 模板管理记忆管理👉 代码会迅速变得混乱。LangChain 的作用就是：🧠 把 LLM 应用拆成模块化组件，让你像搭积木一样构建 AI 系统。

在R-CNN和Fast RCNN的基础上，在2016年提出了Faster RCNN网络模型，在结构上，Faster RCNN已经将候选区域的生成，特征提取，目标分类及目标框的回归都整合在了一个网络中，综合性能有较大提高，在检测速度方面尤为明显。接下来我们给大家详细介绍fasterRCNN网络模型。网络基本结构如下图所示：Faster RCNN可以看成是区域生成网络(RPN)与Fast RCNN的组

文章目录一、决策树算法简介二、决策树分类原理1. 熵1.1 概念1.2 案例2. 决策树的划分依据一----信息增益2.1 概念2.2 案例3. 决策树的划分依据二----信息增益率3.1 概念3.2 案例3.2.1 案例一3.2.2 案例二3.3 为什么使用C4.5要好4. 决策树的划分依据三 ----基尼值和基尼指数4.1 概念4.2 案例5. 小结5.1 常见决策树的启发函数比较5.1.1

图像分类实质上就是从给定的类别集合中为图像分配对应标签的任务。也就是说我们的任务是分析一个输入图像并返回一个该图像类别的标签。假定类别集为categories = {dog, cat, panda}，之后我们提供一张图片给分类模型，如下图所示：分类模型给图像分配多个标签，每个标签的概率值不同，如dog:95%，cat:4%，panda:1%，根据概率值的大小将该图片分类为dog，那就完成了图像分类

一、集成学习算法简介1. 什么是集成学习2 复习：机器学习的两个核心任务3. 集成学习中boosting和Bagging4. 小结二、Bagging和随机森林1. Bagging集成原理2. 随机森林构造过程3. 包外估计 (Out-of-Bag Estimate)3.1 包外估计的定义3.2 包外估计的用途4. 随机森林api介绍5. 随机森林预测案例6. bagging集成优点7. 小结...

在深度学习中, 损失函数是用来衡量模型参数的质量的函数, 衡量的方式是比较网络输出和真实输出的差异，损失函数在不同的文献中名称是不一样的，主要有以下几种命名方式：在深度学习的分类任务中使用最多的是交叉熵损失函数，所以在这里我们着重介绍这种损失函数。在多分类任务通常使用softmax将logits转换为概率的形式，所以多分类的交叉熵损失也叫做softmax损失，它的计算方法是：其中，y是样本x属于某

一、目标分割简介1.1 图像分割的定义1.2 任务类型1.2.1 任务描述1.2.2 任务类型1.3 常用的开源数据集1.3.1 VOC数据集1.3.2 城市风光Cityscapes数据集1.4 评价指标1.4.1 像素精度1.4.2 平均像素精度1.4.3 平均交并比二、语义分割：FCN和UNet1. FCN网络1.1 网络结构1.1.1 全卷积部分1.1.2 上采样部分1.2 跳层连接1.3

大规模数据集是成功应用深度神经网络的前提。例如，我们可以对图像进行不同方式的裁剪，使感兴趣的物体出现在不同位置，从而减轻模型对物体出现位置的依赖性。我们也可以调整亮度、色彩等因素来降低模型对色彩的敏感度。可以说，在当年AlexNet的成功中，图像增强技术功不可没。图像增强（image augmentation）指通过剪切、旋转/反射/翻转变换、缩放变换、平移变换、尺度变换、对比度变换、噪声扰动、颜